基于深度信念网络的船舶柴油机智能故障诊断

[目的]为了提高船舶柴油机智能故障诊断的精度,引入深度学习方法,提出一种基于深度信念网络(DBN)的船用柴油机智能故障诊断方法。[方法]采用多层限制性玻尔兹曼机(RBM)堆叠成DBN,并采用对比散度方法对模型参数进行求解。通过无监督预训练和有监督微调的训练方法,从故障样本数据中提取深层次的隐性特征并获得较好的初始化参数。[结果]基于AVL BOOST船舶柴油机故障仿真实验进行样本数据分析,结果表明:DBN对训练样本集和测试样本集的故障识别率分别为98.26%和98.61%,比BP神经网络(BPNN)和支持向量机(SVM)具有更高的故障识别准确率和更好的泛化性能,可以避免浅层神经网络因随机初始化权值而陷入局部最小值和精度较低等问题。[结论]与BPNN和SVM相比,DBN更适用于船舶柴油机的智能故障诊断应用。     

船用离心泵故障SOM网络诊断方法

为了实现对船用离心泵的实时在线智能故障诊断,进行了基于SOM网络(自组织特征映射神经网络)的船用离心泵故障诊断方法研究.在分析船用离心泵典型故障及特征的基础上,建立故障模型,提取故障特征向量并建立学习样本;设计和组建了SOM神经网络,将SOM网络的抽取输入信号模式特征的能力应用于故障诊断;通过网络训练建立了 SOM网络输入与输出属性间良好的非线性映射,实现了将特征向量输入网络来诊断故障.经实验验证,该方法具有良好的准确度和适应性.     

基于深度学习的多声源并行化声纹辨别方法

随着大数据时代的到来,快速而有效地辨别声纹已经成为智能感知领域的重要需求,而传统神经网络和单拾音器系统的辨别精度不高,样本数据量大,其运算速度严重制约了系统的实时性.文中方法通过拾音阵列获取目标声源的位置和时频域信息,利用GPU并行构造掩蔽函数,实现信号数据级融合,强化目标语音特征,然后将多通道的MFCC(mel-frequency cepstral coefficient)声纹参数进行特征级融合,输入深度信念网络(deep belief network,DBN)进行训练和识别,同时使用CUDA(compute unified device architecture)平台对DBN的训练过程进行了并行优化.该方法能在多声源环境下全面地提取目标声纹,有效提高声纹辨别准确率,缩短数据训练耗时,保证了系统实时性.该方法为大数据环境下语音信号高性能处理提供了一种实现方式.     

基于多体动力学仿真的柴油机传动齿轮故障机理与监测方法研究

针对现有船用柴油机热工参数无法有效监测报警传动齿轮故障的问题,基于柴油机普遍缺失振动监测数据,难以有效提取故障特征的现状,采用多体动力学仿真技术研究柴油机齿轮载荷与曲轴止推轴承磨损之间的内在关联,基于仿真结果提取传动齿轮故障条件下的振动信号特征;采用实际故障案例振动数据,提取传动齿轮箱振动信号的时域、频域特征,实际特征变化规律与仿真结果一致,检验了本文仿真研究成果的正确性。     

基于变分模态分解与模糊聚类的船用齿轮箱故障诊断

针对船用齿轮箱故障类型诊断精度不高的问题,提出一种结合变分模态分解(Variational Mode Decomposition, VMD)与核模糊聚类(Kernel Fuzzy C-Means, KFCM)的故障诊断方法。先对齿轮箱振动信号展开VMD分析,获得含有大量故障特征信息的固有特征模函数(Intrinsic Mode Function, IMF),然后计算出各IMF分量的奇异值并构建故障特征向量矩阵,最后将其输入到以KFCM算法为框架的故障分类器中进行模型训练,并对模型性能测试与评估。结果表明,所提方法具有较高的故障识别准确率。     

基于极点对称模态分解和支持向量机的船用齿轮箱故障诊断

针对船用齿轮箱故障难以识别的问题,提出了将极点对称模态分解(Extreme-point Symmetric Mode Decomposition, ESMD)和支持向量机(Support Vector Machine, SVM)相结合的故障诊断方法。先将船用齿轮箱振动信号进行ESMD分解,可得到一系列模态和一条最佳自适应全局均线。以分解模态与原始信号的能量比值为相关度衡量标准,将相关度较高的前三个模态分别作奇异值分解并得到奇异值矩阵。经过归一化处理后,输入支持向量机训练获得多分类诊断模型,并进行测试。测试结果表明,相比经验模态分解(Empirical Mode Decomposition, EMD)与SVM结合的方法,本文的方法能更好地对船用齿轮箱故障作出诊断和预测。     

振动信号监测的船用柴油机配气机构故障分析方法

船用柴油机配气机构故障复杂多样,传统船用柴油机配气机构故障分析方法无法描述故障类型,导致故障分析正确率低,误判现象严重,为了提高故障诊断正确率,提出基于振动信号监测的船用柴油机配气机构故障的分析方法。首先分析船用柴油机配气机构故障研究思路,并提取船用柴油机配气机构故障相关的振动信号,然后从船用柴油机配气机构故障相关的振动信号提取特征,运用层次分析法确定特征的权值,并采用改进支持向量机建立船用柴油机配气机构故障诊断模型,最后采用具体数据对船用柴油机配气机构故障诊断方法进行测试。结果表明,相对于其他故障分析方法,本文方法可以更好区别各种船用柴油机配气机构故障,提高了故障分析正确率,降低了故障的误判现象,具有很高的实际应用价值。     

基于偏好函数与深度信念网络的自动化码头AGV实时调度算法

为提高自动化集装箱码头岸桥作业效率、降低自动导引车(Automated Guided Vehicle,AGV)空载行驶距离,以偏好函数和深度信念网络(Deep Belief Network,DBN)为核心设计AGV实时调度算法,完成AGV任务分配指派,优化AGV作业任务序列。利用偏好函数为处于待分配状态的AGV筛选最优集装箱,产生训练样本并更新训练集,通过DBN实时更新集装箱的偏好函数,重复该过程直至集装箱作业完毕。算例分析表明:同两种现行调度规则对比,AGV空载距离和岸桥作业时间显著下降;与人工神经网络(Artificial Neural Network,ANN)相比,DBN可有效提高算法精度与求解效率;算法针对环境动态变化实时分配集装箱,为自动化码头提高效率和降低能耗提供依据。     

基于数据挖掘的船用通信网络异常行为分类和识别研究方法

为保证船用通信网络的安全,设计基于深度数据挖掘的船用通信网络异常行为分类和识别方法。该方法数据处理模块采用全局信息数据融合策略,融合网络的原始采集数据,特征选择模块通过平均不纯度减少特征重要度计算方法,选择有效特征并计算该特征重要度后,形成特征集,将其输入分类识别模块的内外卷积网络深度学习网络模型中,通过模型的学习和训练,获取船用通信网络异常行为分类识别结果。测试结果显示：该方法可有效删除其中的无效特征,保留有效特征结果;可获取不同类别有效特征标签的重要度评分结果;分类识别的平均绝对误差均低于0.18,可完成不同流量变化下异常行为分类识别。     

船舶动力系统低压弱电设备故障检测方法

动力系统是船舶稳定航行的基础与关键,所含低压弱电设备复杂度逐渐攀升,故障概率也随之增加,为船舶稳定航行带来了威胁,因此提出船舶动力系统低压弱电设备故障检测方法研究。利用传感器获取船舶动力系统低压弱电设备振动信号,采用五点三次平滑法对振动信号进行平滑处理,以此为基础,Fourier变换振动信号,提取振动特征信号(有效值及其能量),将提取的振动特征信号输入至训练好的一维深度卷积神经网络中,网络输出即为低压弱电设备故障检测结果,实现了低压弱电设备故障的检测。实验数据显示,3个数据集的故障检测率均高于95.2%,符合船舶航行需求,证实了提出方法的可行性。     

基于融合特征支持向量机的港口起重机减速箱故障诊断

本文以港口起重机减速箱为研究对象,通过减速箱试验台缩尺模型预置故障,采集各类故障模式下的减速箱壳体振动信号。通过在时域、频域提取特征值,与EMD分解得到的IMF能量特征进行融合,经PCA降维处理后取一组样本作为训练集用于支持向量机模型训练。再由测试样本集对训练完成的模型进行验证,验证结果说明了用本文选取的融合特征训练的支持向量机在港口起重机减速箱的故障诊断运用是可行的,达到了较高的识别率。     

基于小波包分解的船用柴油机燃油电磁阀故障诊断方法

为了精准识别电磁阀故障,确保船用柴油机安全、平稳运行,提出基于小波包分解的船用柴油机燃油电磁阀故障诊断方法。采用小波包分解法对船用柴油机燃油电磁阀电流信号作分解,获取其多频带特征。通过核主成分分析法对其作降维处理,完成敏感特征选择。将其作为最小支持向量机的输入,自适应蚁群优化算法通过自适应调整挥发因子、状态转移规则确定最优模型参数,实现燃油电磁阀故障的准确诊断。结果表明：故障、正常工况下的燃油电磁阀电流特性曲线存在较大差异;该方法可提取电流信号的8个频带特征、不同频带特征间差异度大;特征选择有利于提高燃油电磁阀故障辨识度。本文方法可实现燃油电磁阀故障诊断,诊断效果突出。     

基于PSO-ELM算法实现船舶发电机组故障识别

针对船舶发电机组的不同故障类型,通过传感器采集不同故障下柴油机缸盖处的振动信号,构成大量数据集,选取部分数据集作为样本数据。通过EEMD算法对样本数据进行分解降噪,把一维数据分解成能反映柴油机工况信息的多维数据,对分解形成的多维数据使用KICA算法进行特征提取,并对提取后的数据进行训练集、验证集分组。使用PSO-ELM算法搭建故障识别模型,并使用训练集训练模型,使用验证集验证模型,根据验证结果评价模型是否满足故障识别的精确度。     

基于HMM-SVR的船舶动力设备故障模式识别与状态预测研究

船舶动力设备因故障监测信号样本少、变化缓慢且数据特征呈非线性,使得设备故障模式的准确识别和状态预测比较难。鉴于此,文章研究了基于隐马尔科夫模型的故障模式识别方法,利用该模型将微弱变化的信号特征转换为变化较大的对数似然概率对故障模式实现有效识别。在此基础上进一步提出基于HMM-SVR的设备状态预测模型,将遗传算法用于支持向量回归模型参数寻优,并结合隐马尔科夫模型,实现对设备状态的预测。对船用柴油机进行仿真,结果表明上述模型具有较高的识别率,能准确预测船舶动力设备的当前状态。     

基于SPA的船用柴油机热工故障诊断研究

船用柴油机热工参数蕴含着大量的故障信息,外界干扰小,诊断范围广,具有很好的诊断价值。本文将集对分析应用到柴油机热工故障诊断当中,介绍了集对分析(SPA)的基本理论,在此基础上,建立了基于SPA的柴油机热工故障诊断模型。再利用4190型船用中速柴油机AVL BOOST工作过程仿真模型,进行故障仿真计算,提取了13类热工参数进行分析,获取了基准故障集和待检工作状态集,验证了模型的准确性;同时证明了集对分析在柴油机故障诊断中的可行性,为柴油机故障监测和诊断提供了新方法。     

基于三通道2D-CNN的逆变器功率管开路故障诊断方法

针对逆变器功率管开路故障的诊断精度较低问题,对三相电压源型逆变器采用卷积神经网络的方法由现有故障数据训练得到故障识别模型,将不同类别故障对应的逆变器输出侧三相电流信号作为数据集,应用二维卷积神经网络并采用3个通道分别训练三相电流信号,采用Adam优化算法并引入dropout深度学习技巧及自适应学习速率防止模型过拟合,与SVM、KNN、DNN等方法的结果对比表明,该方法可明显提高逆变器功率管开路故障的诊断精度。     

基于改进深度学习算法的船舶柴油机故障诊断技术

随着数据挖掘技术的发展,深度置信网络(DBN)这类深度学习算法被越来越多运用到工程领域。在故障诊断领域,结合DBN强大的自适应特征提取和非线性映射能力,可以摆脱以往对专家经验的依赖。基于此,本文为有效地监测柴油机气缸运行状态,提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。先将原始信号的频域形式输入DBN当中,采用蚱蜢优化算法(GOA)搜索DBN的最优参数组合,并建立起最佳的柴油机气缸故障诊断模型。经测试验证,本文提出的诊断模型能够准确识别柴油机气缸运行状态并进行故障诊断,诊断率可以达到99.5%以上,具有较好的工程实用价值。     

基于改进深度学习算法的船舶柴油机故障诊断技术

随着数据挖掘技术的发展,深度置信网络(DBN)这类深度学习算法被越来越多运用到工程领域。在故障诊断领域,结合DBN强大的自适应特征提取和非线性映射能力,可以摆脱以往对专家经验的依赖。基于此,本文为有效地监测柴油机气缸运行状态,提出一种基于改进深度学习算法的船舶柴油机故障诊断技术。先将原始信号的频域形式输入DBN当中,采用蚱蜢优化算法(GOA)搜索DBN的最优参数组合,并建立起最佳的柴油机气缸故障诊断模型。经测试验证,本文提出的诊断模型能够准确识别柴油机气缸运行状态并进行故障诊断,诊断率可以达到99.5%以上,具有较好的工程实用价值。     

船用柴油机故障在线智能仿真诊断技术的应用研究

本文提出了一种船用柴油机性能故障在线自动诊断的新方法,把仿真以及神经网络技术直接应用于柴油机故障在线诊断系统,建立船用柴油机症状与故障样本集,作为神经网络故障诊断的专家知识库,以和柴油机故障在线诊断。尤其是对网络容错能力进行评估分析,并确定较有代表性的径向基函数ＲＢＦ网络分布常数Ｓｃ,从而提高故障诊断的及时性和准确率,减少误诊。     

深度神经网络在船用齿轮箱故障诊断中的应用

船用齿轮箱故障诊断系统,通常采用的是基于模型的故障诊断方法,需要依赖专家对采集到的振动信号进行分析和判断,且设备的运行状态会随着时间的推移发生变化。传统的故障诊断方法受专家知识和经验的影响较大,难以获得全局最优解,导致其准确率较低。针对该问题,本文基于深度神经网络（DNN）的故障诊断方法,通过大量实验研究,确定了DNN模型中最佳参数和超参数。实验结果表明,在船用齿轮箱故障诊断领域,DNN模型不仅能够有效地对齿轮箱进行故障诊断,而且具有较高的准确率和较快的收敛速度。